一种基于深度卷积神经网络的农村公路路面病害智能检测方法

1.本发明属于目标识别与信息提取的技术领域，尤其涉及一种基于深度卷积神经网络的农村公路路面病害智能检测方法。


背景技术：

2.《2020年交通运输行业发展统计公报》显示，截止到2020年末，我国公路总里程达519.81万公里，比上年增加18.56万公里，其中农村公路里程438.23万公里，占比93％，覆盖全国的农村公路网络基本形成，公路大养护时代即将来临！无论是水泥还是沥青路面，在实际运营过程中，受交通量、荷载、温度、水分、风化等综合影响会陆续出现单向裂缝、网状裂缝、破碎板、坑槽(洞)、修补等损害，统称为路面病害(pavement diseases)，路面破损状况指数pci即利用路面病害类型、面积、范围及密度综合计算路面使用性能的重要指标。路面病害检测及定量评价是道路智能养护决策中的重要组成部分。因此，如何科学、快速、定量地进行公路养护评价，合理制定养护方案，使路网保持较高的性能和服务水平，已成为实现农村公路可持续发展亟待解决的关键技术问题。
3.近年来，国内外研究者基于计算机视觉分别从图像处理技术、机器学习和深度学习三个主流方向开展了大规模研究工作。面对海量的年检任务，养护部门传统的做法是采用自动化设备完成路面二维图像的大规模采集，进而通过人工判图、勾画、计算评定pci指数，该方法检测周期长、花费高、主观性强，难以实现实时、大范围的路面技术状况自动检测与评价。
4.其次，基于图像处理技术(image process i ng techn i ques，i pts)的病害提取方法主要分为基于阈值的分割、基于边缘检测的分割、基于多尺度的分割、基于纹理和分形几何特征的分割和其他分割方法五类。该算法虽然计算成本较低，但普适性不高，其检测的性能在很大程度上取决于待处理图像的质量，难以满足工程级应用。随着计算机视觉技术的快速发展，国内外研究人员通过机器学习的方法提取路面裂缝，主要包括：采用支持向量机(svm)和决策树算法、采用candy operator和k-means聚类算法、基于随机结构森林的裂缝提取，此类方法通过手动设定颜色或纹理特征对裂缝进行模拟，依赖于领域专家提取的中级特征质量依赖较强；在这些方法中通过手工设定的特征只能满足于某些特定情况下的裂缝检测，当出现新的裂缝环境就需要重新设定，不能满足所有情况下路面病害的检测要求。近年来，深度学习技术在各种计算机视觉任务中取得了巨大成功，通过自动学习替代手工特征设定。该研究主要集中在路面裂缝像素级分割及目标检测两个方面。基于目标检测的方法通常使用边界框方法在路面图像中定位缺陷。这些方法首先使用cnn从图像中提取不同病害特征，然后生成感兴趣区域(ro i)，最后通过边界框坐标检测对象。基于像素分割的病害提取算法多利用编码器-解码器的架构来构建病害检测深度神经网络，编码器层主要实现图像的特征映射，解码器用于在分割过程中融合多尺度语义特征，进而生成每个像素的概率分布。
5.农村公路路面病害具有类型多、拓扑结构复杂、病害像素空间连续性差、拍摄场景多变、对比度低等现实特点。虽取得较大的进展，但仍存在如下问题：
6.(1)传统的图像处理技术受图像拍摄环境复杂性和噪声多源性的影响较大，需要人工提取特征区分多类型病害，算法在准确性、实时性和一致性等方面未能达到满意的结果；
7.(2)现有路面病害公开数据集存在规模小、场景少等问题，难以支撑以数据为驱动的深度学习技术在病害智能检测中的研究和应用，到目前为止，全球未见基于实测路面图像的、大规模、公开的、带类别标签的、用于道路病害图像语义分割数据集；
8.(3)路面采集图像的尺寸较大，兼顾病害预测精度、速度和多类型检测的端到端模型研究较少。


技术实现要素：

9.基于以上现有技术的不足，本发明所解决的技术问题在于提供一种基于深度卷积神经网络的农村公路路面病害智能检测方法，解决因裁剪图像边缘区域的上下文信息较少，预测结果精度较低，进而导致提取病害出现明显拼接痕迹的问题，实现高分辨率图像中病害预测结果的准确性、连续性。
10.为了解决上述技术问题，本发明通过以下技术方案来实现：
11.本发明提供一种基于深度卷积神经网络的农村公路路面病害智能检测方法，包括以下步骤：
12.步骤1：制作多类型农村公路路面病害训练数据集；
13.步骤2：构建基于全卷积网络的语义分割模型；
14.步骤3：使用adam优化器对模型训练过程进行优化；
15.步骤4：有重叠地裁剪图像并在拼接时采取忽略边缘策略，大图像裁剪成一系列与相邻图像块有特定重复区域的图像块，并把它们存在链表里，然后创建生成器，之后送入训练号的模型进行预测；
16.步骤5：多类型路面病害分类及损坏状况评定；
17.步骤6：通过开发路面技术状况评价系统，统计各类病害回归框的几何特征信息和类型信息，进而计算100米评价单元的路面病害破损率dr，其评价模型如下式所示：
[0018][0019]
式中，dr为路面破损率，为各种病害的折合面积之和与路面调查面积的百分比；ai为第i类路面病害损坏的面积；a为调查的路面面积；ωi为第i类路面病害损坏的权重。
[0020]
优选的，所述步骤1包括：
[0021]
步骤1.1：收集的多年份、多场景路面图像数据，构建路面病害图像基准库，同时增加正常路面图像作为负样本；
[0022]
步骤1.2：开发针对性的病害目标图像裁剪程序，完成数据集原始图像的预处理；
[0023]
步骤1.3：使用labe lme对病害数据集进行专家级人工标注，构建场景丰富、异构性强的多类型路面病害语义分割数据集。
[0024]
进一步的，所述步骤2包括：
[0025]
步骤2.1：以u型网络架构为基础，提取下采样部分使用vgg16作为主干特征提取网络分别获取发f1、f2、f3、f4、f5等5个有效特征层；
[0026]
步骤2.2：将f5送入上下文信息提取模块ci em，通过提供不同感受野的空洞卷积支路来获得多尺度下的路面病害上下文信息提取，对高级语义特征图进行编码，感受野大的卷积操作为大目标提取和生成更抽象的特征；
[0027]
步骤2.3：将f1、f2、f3、f4分别送入注意力机制模块se与特征融合模块ffm的完成特征解码；
[0028]
步骤2.4：最终输出一个与输入图像尺寸相同的逐像素分类的标签图，每个像素的值显示了该像素所属的语义类别。
[0029]
可选的，所述步骤2.3包括：
[0030]
步骤2.3.1：将编码器获取的4个特征图谱作为输入信号送入注意力机制模块，通过loss区学习特征权重，获得每个特征图的重要程度，提升有效目标区域的通道权重，抑制非目标区域的通道特征，提升目标的分割效果，同时避免增加参数和计算量；
[0031]
步骤2.3.2：提出特征融合模块ffm，特征融合模块首先对低级别特征和反卷积后的上一层高级别特征进行连接，采用全局最大池化提取特征纹理，减少无用信息的影响，进而采用bn来平衡特征尺度，得到与编码器浅层特征图尺度相对应的可解释权重矩阵；然后与高阶特征图相乘计算加权特征向量，最后将输出的特征图与低阶特征图相加，能够利用高层次和低层次的混合特征图来恢复图像像素的定位。
[0032]
可选的，所述步骤步骤2.3.1具有以下三个操作：
[0033]
第一个操作squeeze：通过全局平均池化，将每个通道的二维特征(h
×
w)压缩为一个实数，此实数是根据二维特征所有值计算得出，最后通过squeeze操作变为1
×1×
c，其中z的第c个元素计算公式如下所示：
[0034][0035]
第二个操作excitat i on：通过参数为每个特征通道生成权重值，每个通道之间的相关性由两个完全连接的层的瓶颈结构形成，并输出与输入数量相同的权重值，采用s i gmoi d函数形式的阈值机制表达式如下式所示：
[0036]
s＝f
ex
(z,w)＝σ(g(z,w))＝σ(w2δ(w
1 z))
[0037]
其中δ为relu函数，使用两个全连接层利用阈值机制将参数过滤，其中第一个全连接层起到降低维度的作用，降维系数为r为一个超参数，接着利用relu函数激活，第二个全连接层的作用为恢复原始的维度；
[0038]
第三个操作sca l e：根据前面标准化得到的权重赋予到每个通道的特征上，将每个通道乘以其对应的通道系数，完成将注意力机制引入通道维度，将学习到的每个通道的特征利用s i gmoi d函数进行激活，再乘以u上的原始特征，表达式如下式所示：
[0039][0040]
式中和f
scale
(uc,sc)代表uc∈rh×w和标量sc之间的通道乘法。
[0041]
可选的，所述步骤3的具体方法为：训练过程中预训练权重模型使用由voc数据集
训练最优的权重，在冻结阶段将主干特征提取网络的参数进行冻结；在完成冻结世代训练完毕后，开始训练解冻阶段，通过并行计算尝试多个参数组合，通过验证选择最佳参数组合。
[0042]
进一步的，所述步骤5包括：
[0043]
步骤5.1：以多类型病害分类样本为基础，编程实现路面病害统计特征与结构特征提取；
[0044]
步骤5.2：路面病害分类网络的优化设计，采用径向基概率神经网络构建多类型病害分类模型；输入层设计4个节点对应特征向量，第一隐层神经元由k-means聚类法确定，第二隐层对第一隐层按类别进行求和，第二隐层与输出层的连接权值采用递推最小二乘法确定，输出层设计6个节点，分别对应横向裂缝、纵向裂缝、块状裂缝、龟裂、坑槽和修补；
[0045]
步骤5.3：病害参数及pc i评价指数计算，通过下式计算裂缝的平均宽度，并以此判断线性裂缝的病害等级：
[0046][0047]
其中，wc为图像中裂缝像素的总数，ws为骨架中裂缝像素的总数；网状裂缝、坑槽和修补以最优外接矩形来计算面积，最终将单张图片的路面病害参数输出存入txt文件。
[0048]
由上，本发明的基于深度卷积神经网络的农村公路路面病害智能检测方法至少具有如下有益效果：
[0049]
(1)本发明制作了多类型路面病害语义分割数据集(istd-rpds8)，现有路面病害公开数据集存在规模小、场景少等问题，难以支撑以数据为驱动的深度学习技术在病害智能检测中的研究和应用，到目前为止，全球未见基于实测路面图像的、大规模、公开的、带类别标签的、用于道路病害图像语义分割的数据集，因此，本发明以拍摄环境、路面铺装类型、传感器、病害类型为筛选因子，依托辽宁省多年份实测农村公路图像库，先后构建了场景丰富、异构性强的多类型路面病害语义分割数据集(istd-rpds8)。
[0050]
(2)本发明基于全卷积网络的深度学习语义分割模型，顾及融合多尺度空间特征信息和长距离上下文信息，通过构建上下文信息提取模块ciem、注意力机制模块se和特征融合模块ffm，建立了一个可训练的端到端病害分割网络结构(istd-net)，实现高分辨率图像中病害预测结果的准确性、连续性。
[0051]
(3)本发明在实际预测阶段采取有重叠地裁剪图像并在预测结果融合时采取忽略边缘策略，在预测大图降低内存计算溢出风险的同时，解决因裁剪图像边缘区域的上下文信息较少，预测结果精度较低，进而导致提取病害出现明显拼接痕迹的问题。
[0052]
(4)本发明通过提取智能检测结果图中的(α,d,d(1),d(0))为特征向量，通过构建径向基概率神经网络rbpnn构建多类型病害分类模型，解决拓扑结构复杂的横向裂缝、纵向裂缝、块状裂缝、龟裂、坑槽和修补的分类，为解决按病害类型计算pci的问题。
[0053]
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其他目的、特征和优点能够更明显易懂，以下结合优选实施例，并配合附图，详细说明如下。
附图说明
[0054]
为了更清楚地说明本发明实施例的技术方案，下面将对实施例的附图作简单地介绍。
[0055]
图1为本发明的路面病害智能检测方法的技术路线图；
[0056]
图2为本发明的路面病害数据库组织示意图；
[0057]
图3为本发明的多类型路面病害基准数据集示意图；
[0058]
图4为本发明的病害提取深度神经网络整体示意图；
[0059]
图5为本发明的病害提取网络核心功能模块示意图，其中，(a)为注意力机制模块se构建图，(b)为上下文信息提取模块ci em构建图，(c)为特征融合模块fm构建图；
[0060]
图6为本发明在具体实施方式中训练集和验证集在本次训练过程中l oss、va l_l oss、f_score、va l_f_score的变化曲线；
[0061]
图7为本发明的不同深度卷积神经网络病害提取的结果对比图，其中，(a)为原图，(b)为真值，(c)为unet提取结果，(d)为pspnet提取结果，(e)为deeplabv3+提取结果，(f)为本发明方法；
[0062]
图8为本发明的忽略边缘预测示意图；
[0063]
图9为本发明的直接预测与分块忽略边缘预测对比结果示意图，其中，(a)为原始图片，(b)为真值，(c)为unet分割结果，(d)为unet分块分割结果，(e)为pspnet分割结果，(f)为pspnet分块分割结果，(g)为deeplabv3+分割结果，(h)为deeplabv3+分块分割结果，(i)为本发明模型分割结果，(j)为本发明模型分块分割结果；
[0064]
图10为本发明的不同病害特征可区分性示意图；
[0065]
图11为本发明的rbpnn模型结构图；
[0066]
图12为本发明的实测数据pci计算结果统计图；
[0067]
图13为自动提取、人工软件勾画和辅助半自动调整三组，分别从病害提取质量、pc i计算结果和时间成本进行综合对比分析图；
[0068]
图14为智能检测与人工pc i差值小于5分统计图。
具体实施方式
[0069]
下面结合附图详细说明本发明的具体实施方式，其作为本说明书的一部分，通过实施例来说明本发明的原理，本发明的其他方面、特征及其优点通过该详细说明将会变得一目了然。在所参照的附图中，不同的图中相同或相似的部件使用相同的附图标号来表示。
[0070]
如图1至图14所示，本发明的一种基于深度卷积神经网络的农村公路路面病害智能检测方法，包括如下步骤：
[0071]
步骤1：制作多类型农村公路路面病害训练数据集；
[0072]
步骤1.1：收集的多年份、多场景路面图像数据，构建路面病害图像基准库，本发明以图像清晰度、路面光照强度、路面干燥程度和附带干扰物为标准筛选9类场景下的原始路面图像；新数据集由9类常见病害组成：沥青单向裂缝、沥青块状裂缝、沥青龟裂、沥青坑槽、沥青修补、水泥裂缝、水泥修补、水泥坑洞、水泥破碎板。同时增加正常路面图像作为负样本。本发明收集了辽宁省2014-2021年农村公路实测路面图像数据，构建路面病害图像基准库，如图2所示，该基准数据库包含高质量沥青路面、低质量沥青路面、高质量水泥路面、低
质量水泥路面四类铺装类型；不同铺装类型路面图像涵盖：图像清晰、图像模糊、强光照、弱光照、干燥路面、湿滑路面、阴影干扰、污渍干扰、覆盖物干扰9类常见场景；病害类型涉及沥青单向裂缝、沥青块状裂缝、沥青龟裂、沥青坑槽、沥青修补、水泥裂缝、水泥修补、水泥坑洞、水泥破碎板。同时增加正常路面图像作为负样本。
[0073]
步骤1.2：开发针对性的病害目标图像裁剪程序，完成数据集原始图像的预处理；
[0074]
步骤1.3：如图3所示，本发明使用labe lme对病害数据集进行专家级人工标注；构建场景丰富、异构性强的多类型路面病害语义分割数据集(istd-rpds8)，涵盖沥青、水泥两种铺装类型，类别包括横向裂缝、纵向裂缝、龟网裂、坑槽、修补、破碎板、水泥裂缝、坑洞及负样本，共计61665张，可满足二分类和多分类路面病害特征提取；测试集：单向裂缝400张、龟裂170张、坑槽125张、块裂79张、破碎板55张、修补171张，合计1000张。
[0075]
步骤2：如图4所示，本发明构建基于全卷积网络的语义分割模型。该网络顾及融合多尺度空间特征信息和长距离上下文信息，建立了一个可训练的端到端病害分割网络结构(istd-net)；
[0076]
步骤2.1：以u型网络架构为基础，为了更好的利用预训练权重模型进行迁移学习，本发明特征提取下采样部分使用vgg16作为主干特征提取网络分别获取发f1、f2、f3、f4、f5等5个有效特征层。
[0077]
步骤2.2：如图5(b)所示，将f5送入上下文信息提取模块ci em(context i nformation extracti on modu l e)，通过提供不同感受野的空洞卷积支路来获得多尺度下的路面病害上下文信息提取，对高级语义特征图进行编码。感受野大的卷积操作可以为大目标提取和生成更抽象的特征，而小感受野的卷积对于小目标则更好。
[0078]
步骤2.3：将f1、f2、f3、f4分别送入注意力机制模块se(squeeze and excitation)与特征融合模块ffm(feature fus ion mode l)的完成特征解码。
[0079]
步骤2.3.1：如图5(a)所示将编码器获取的4个特征图谱作为输入信号送入注意力机制模块，通过loss区学习特征权重，获得每个特征图的重要程度，提升有效目标区域的通道权重，抑制非目标区域的通道特征，提升目标的分割效果，同时避免增加参数和计算量，主要有以下三个操作：
[0080]
第一个操作squeeze：考虑信号到每个通道的输出特性，通过全局平均池化，将每个通道的二维特征(h
×
w)压缩为一个实数，此实数是根据二维特征所有值计算得出，在某种程度上具有全局的感受野，通道数保持不变，最后通过squeeze操作变为1
×1×
c，其中z的第c个元素计算公式如(3.1)所示。
[0081][0082]
第二个操作excitation：通过参数为每个特征通道生成权重值，每个通道之间的相关性由两个完全连接的层的瓶颈结构形成，并输出与输入数量相同的权重值。采用sigmoid函数形式的阈值机制表达式如式(3.2)所示：
[0083]
s＝f
ex
(z,w)＝σ(g(z,w))＝σ(w2δ(w
1 z))
ꢀꢀꢀ
(3.2)
[0084]
其中δ为relu函数，为了减少模型的复杂性并提升泛化能力，使用两个全连接层利用阈值机制将参数过滤，其中第一个全连接层起到降低维度的作
用，降维系数为r为一个超参数，接着利用relu函数激活，第二个全连接层的作用为恢复原始的维度。
[0085]
第三个操作sca l e：根据前面标准化得到的权重赋予到每个通道的特征上，将每个通道乘以其对应的通道系数，完成将注意力机制引入通道维度，将学习到的每个通道的特征利用s i gmoi d函数进行激活，再乘以u上的原始特征，表达式如式(3.3)所示：
[0086][0087]
式中和f
scale
(uc,sc)代表uc∈rh×w和标量sc之间的通道乘法。
[0088]
步骤2.3.2：如图5(c)所示，为了充分利用高级与低级特征的信息，本发明提出特征融合模块ffm(feature fus ion mode l)。特征融合模块将se模块输出特征图和上采样输出特征图进行融合，具体为：首先对低级别特征和反卷积后的上一层高级别特征进行连接，采用全局最大池化提取特征纹理，减少无用信息的影响，进而采用bn来平衡特征尺度，得到与编码器浅层特征图尺度相对应的可解释权重矩阵。这个权重向量可以重新对特征进行选择和组合，对融合后的特征进行细化，提高特征表达能力。然后与高阶特征图相乘计算加权特征向量，最后将输出的特征图与低阶特征图相加，能够利用高层次和低层次的混合特征图来恢复图像像素的定位。
[0089]
步骤2.4：最终输出一个与输入图像尺寸相同的逐像素分类的标签图，每个像素的值显示了该像素所属的语义类别。
[0090]
步骤3：本发明istd-net模型训练所采用的服务器为cpu：ryzen 7 2700x eight-core processor
×
16，gpu：nvi di a geforce rtx 2080ti。使用学习率为10e-5
的adam优化器对模型训练过程进行优化。
[0091]
训练过程中预训练权重模型使用由voc数据集训练最优的权重。在冻结阶段会将主干特征提取网络的参数进行冻结，此时只会调节模型后半部分的参数，而不会调节所有的参数。因为提取到的特征是通用的，在特征提取部分不会进行调节。冻结过程的训练会持续50个世代，批处理量大小设置为8，冻结学习率设置为10e-4
，因为参数较少，学习率设置稍大一些。在完成冻结世代训练完毕后，开始训练解冻阶段，这时不会将模型主干部分进行冻结，整个模型的参数都可以调整，这时调整参数变多，计算量增大，批处理量大小设置为4，学习率设为10e-5
，通过并行计算尝试多个参数组合，通过验证选择最佳参数组合。
[0092]
如图6所示，训练集和验证集在本次训练过程中l oss、va l_l oss、f_score、va l_f_score的变化曲线，截止到100epoch训练集l oss为0.1788，验证集l oss为0.1899；训练集f_score为0.8878，验证集va l_f_score为0.8856；i std-net模型在1000张测试集的表现为preci son＝0.9545，reca l l＝0.8634，f-core＝0.9217，miou＝0.9115。
[0093]
如图7所示，为了验证istd-net识别路面病害的准确性，使用训练好的unet、pspnet、deeplabv3+和istd-net对i std-rpds8测试集进行识别。实验结果表明本发明模型在图像提取的整体、边缘和细节方面都优于其他网络，对于裂缝类病害能够精细连续的提取。ffm模块使用不同像素之间的特征，能够有效增强图像边缘的目标特征，从而准确分割边缘目标。i std-net能有效地弥补原有网络缺陷，目标分割效果更好，当分割目标过大时，局部特征提取不一致，容易导致大目标分割不完整，通过添加ffm，可以有效地模拟图像位置之间的上下文相关信息，并将不同的局部特征信息连接起来。se模块可以利用不同通道
的权重提升目标信息分割精度，i std-net在整体、边缘和细节方面都优于其他模型。
[0094]
步骤4：如图8所示，由于实际路面采集图像分辨率较大(3517*2193)，直接送入模型预测会导致内存溢出，而若resi ze为512
×
512图像进行预测则损失小目标病害信息；如果采用常规的规则格网裁剪然后预测拼接，每张图像块的边缘区域的上下文信息较少，所以预测结果精度较低，进而导致出现明显的拼接痕迹。本发明采用有重叠地裁剪图像并在拼接时采取忽略边缘策略。大图像裁剪成一系列与相邻图像块有特定重复区域的图像块，并把它们存在链表里，然后创建生成器，之后送入训练号的模型进行预测。实际裁剪图像预测的结果为a，进行拼接的结果为a，a占a的区域百分比为r，相邻裁剪图像的重叠比例为最后对预测结果只取中间部分进行拼接。
[0095]
如图9所示，分块忽略边缘的预测算法在测试集上基本可以分割出完整的对象区域，提升裂缝病害提取精度，增加裂缝提取完整性与连续性，相比与直接预测精度明显提升，具有较强的鲁棒性。
[0096]
步骤5：多类型路面病害分类及损坏状况评定；
[0097]
步骤5.1：以多类型病害分类样本为基础，编程实现路面病害统计特征与结构特征提取。
[0098]
图10为不同病害特征可区分性示意图，本发明首次采用盒计数法计算病害二值图像盒维数(d(1))和信息维数(d(0))等分形统计特征，以此区分出单向裂缝、网状裂缝、坑槽和修补四类病害类型；通过提取单项裂缝二值图像几何质心，生成最小外接矩形，通过计算单项裂缝方位角α和区域裂缝像素分布密度d完成横向裂缝、纵向裂缝结构特征提取。
[0099]
步骤5.2：路面病害分类网络的优化设计。如图11所示，本发明采用径向基概率神经网络(radial basis probabi l istic neural network，rbpnn)构建多类型病害分类模型；输入层设计4个节点对应特征向量(α,d,d(1),d(0))，第一隐层神经元由k-means聚类法确定，第二隐层对第一隐层按类别进行求和，第二隐层与输出层的连接权值采用递推最小二乘法确定，输出层设计6个节点，分别对应横向裂缝、纵向裂缝、块状裂缝、龟裂、坑槽和修补。
[0100]
步骤5.3：病害参数及pci评价指数计算。路面病害参数包括线性裂缝的长度、宽度，网状裂缝、坑槽和修补的面积。根据《公路沥青路面养护技术规范》中规定的线性裂缝特征，采用取将裂缝宽度细化为单像素，提取裂缝骨架线，通过公式(5.1)计算裂缝的平均宽度，并以此判断线性裂缝的病害等级。
[0101][0102]
其中，wc为图像中裂缝像素的总数，ws为骨架中裂缝像素的总数；网状裂缝、坑槽和修补以最优外接矩形来计算面积，最终将单张图片的路面病害参数输出存入txt文件，格式如下：病害方框显示宽度；病害方框显示长度；病害方框显示位置x；病害方框像是位置y；图像控件的宽度；图像控件的宽度；病害类型；病害实际长度；病害实际宽度；病害实际面积；对应桩号；病害序号；评价值；路面铺装类型。
[0103]
步骤6：路面病害智能检测系统
[0104]
如图12所示，根据上述模型的检测结果，集合路面病害智能检测、自动分类两大主
要功能模块，通过开发路面技术状况评价系统，统计各类病害回归框的几何特征信息和类型信息，进而计算100米评价单元的路面病害破损率dr(为各种损坏的折合损坏面积之和与路面调查面积之百分比)，其评价模型如下式所示：
[0105]
pci＝100-15dr
0.412
ꢀꢀꢀ
(6.1)
[0106][0107]
式中，dr为路面破损率，为各种病害的折合面积之和与路面调查面积的百分比(％)；ai为第i类路面病害损坏的面积(m2)；a为调查的路面面积(调查长度与有效路面宽度之积，m2)；ωi为第i类路面病害损坏的权重，不同路面病害类型取值不同，具体权重取值可查阅《公路技术状况评价标准》。该系统可应对复杂多变拍摄环境，克服农村道路路面的多种干扰，解决智能检测算法难以适应全场景下病害提取及分类的问题，系统增加了交互式检查模块，以此完成提取结果的快速检查、修改、及标准化报表输出，保证了pci指数计算的可靠性和准确性。同时该系统可实现交互式检查、数据集针对性扩展、评估信息标准化输出。
[0108]
以下通过实验验证本发明所提方法的实际性能，选取2020年辽宁省实测农村公路路面数据，分别从病害智能检测漏检率、pc i计算结果和时间成本综合分析、pci评价等级一致性三个实验验证本发明算法结果的可靠性。
[0109]
(1)病害智能检测漏检率实验
[0110]
基于2020年度辽宁省农村道路外业采集数据，按路面状况选取优、良、中、差抽选四类路线进行non文件中漏检率评估，具体结果如表1所示。
[0111]
表1检测正确率评估表
[0112][0113]
由上表可知，该系统在路面病害的分类识别方面表现较好，non文件内的图片不必参与交互式检查，较传统的全浏览工作模式，效率提高显著。
[0114]
(2)pc i计算结果可靠性和时间成本综合分析实验
[0115]
为了验证本发明裂缝自动检测方法的有效性，随机抽取三条实验线路(约21km)的路面图像，实验分组情况为：本系统自动提取、人工软件勾画和辅助半自动调整三组，分别从病害提取质量、pci计算结果和时间成本进行综合对比分析，如图13所示。
[0116]
分析实验结果表明，纯ai自动提取和人工勾画在道路pc i得分(每百米)相差较小，最大分差5.1分，平均分差3.05分，考虑由于人工勾画中的主观判断因素较多所致；在自动提取结果的基础上辅助人工再判断的半自动模式，得分介于其余两种方法之间，实验统
计平均分差1.81分。另外，按每台机器单张计算全周期为0.8s，平均每24小时可计算公里数为216km，较于人工勾画(9km/工作日)效率大幅度增加。实验证明，本系统的处理方案可用于农村道路路面病害检测与评价。
[0117]
(3)pci评价等级一致性实验
[0118]
《公路技术状况评价标准》对路面损坏状况指数pci按评价单元最终分值分为优、良、中、次、差五个等级，具体见表2。
[0119]
表2 pci指标等级划分标准
[0120][0121]
为贴近实测应用级公路路面病害检测场景，实验3随机选用辽宁省辽阳市、沈阳市8条公路111个百米评价单元进行检测,并将检测数据与该市人工勾画结果的pci等级一致性进行对比分析；图14为8条实验路线pci平均得分差值＜5分的评价单元百分比，检测结果与人工结果相比，pci评价等级一致性平均占比72.07％。
[0122]
因此，本发明提出的算法是完全可靠的。该算法在农村路面病害自动化检测方面具有很大优势。
[0123]
以上所述是本发明的优选实施方式而已，当然不能以此来限定本发明之权利范围，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和变动，这些改进和变动也视为本发明的保护范围。